오늘도 공부

Opus 5.5가 주 모델이 되면,Fable 할당량을 유휴 상태로 두지 마세요. /advisor로Fable을 대기 상태로 설정하세요.아래 내용을 클로드에게 던지시면 됩니다.Run /advisor fable을 실행하면 Claude Code가advisor on the sidelines를 얻습니다. Opus5.5는 작업을 계속 수행하며, 보통 세 가지 순간에Fable을 호출합니다:→ 계획에 최종 확정하기 전에: 이게 맞나?→ 같은 오류가 계속 반복될 때: 잘못된 방향으로 가고있나?→ "완료"라고 말하기 전에: 뭔가 놓친 게 없나?Fable은 전체 세션을 읽고 조언을 제공합니다.Opus는 여전히 코드를 작성합니다.트리는 전체 설정입니다. 고성능 Opus 5.5가 주세션을 실행합니다. 중성능의 세 개 서브 에이전..

모바일 앱 테스트 추천 도구 GitHub - mobile-next/mobile-mcp: Model Context Protocol Server for Mobile Automation and Scraping (iOS, Android, Emulators, SimuModel Context Protocol Server for Mobile Automation and Scraping (iOS, Android, Emulators, Simulators and Real Devices) - mobile-next/mobile-mcpgithub.com 1. 구조를 먼저 보면 이해가 쉽습니다Codex / Claude Code / Gemini / Cursor │ │ MCP ..

AGENTS.md, Agent, Skill, Memory를 연결해 스스로 경험을 축적하는 개발 하네스 만들기Claude Code나 Codex를 이용해 개발하다 보면 꽤 묘한 경험을 하게 된다.어제 분명히 해결했던 오류를 오늘 다시 설명해야 한다.프로젝트에서 npm이 아니라 pnpm을 사용한다고 여러 번 말했는데 새 세션에서는 다시 확인해야 한다.인증 코드를 수정할 때 반드시 건드리지 말아야 할 부분을 지난주에 발견했는데, 새로운 에이전트는 그 사실을 모른다.모델이 성능이 부족해서 생기는 문제만은 아니다.프로젝트에는 역사가 있지만, AI에게는 그 역사를 이어받을 구조가 없기 때문이다.사람이 개발팀에 새로 합류하면 README를 읽고, 아키텍처 문서를 보고, 이전 장애 사례를 확인하고, 팀의 코드 리뷰 규칙..

Codex와 DeepSeek Harness의 /goal 이해하기AI에게 개발을 맡길 때 자주 생기는 문제가 하나 있다.예를 들어 이렇게 부탁했다고 해보자.로그인 버그를 찾아서 수정하고,관련 테스트가 전부 통과하는 것까지 확인해줘.AI는 코드를 살펴보고, 파일을 수정하고, 테스트를 한 번 돌린다.그리고 이렇게 답할 수 있다.로그인 로직을 수정했습니다.다음으로 테스트를 확인해보면 좋겠습니다.사람 입장에서는 답답하다.“그걸 내가 다시 시켜야 하나?”그래서 다시 말한다.계속해.테스트가 실패한다.AI가 원인을 설명한다.다시 사람이 말한다.고쳐.다시 테스트한다.또 문제가 발견된다.계속해.이 과정을 반복하다 보면 한 가지 의문이 생긴다.처음부터 ‘완료될 때까지 알아서 계속하라’고 할 수는 없을까?이 문제를 해결하기 ..

기초 지식 정리에서 실무로의 스텝업HARNESS ENGINEERING · SEMINAR1페이지 — 하네스 설계 입문하네스 설계 입문~ 기초 지식 정리에서 실무로의 스텝업 ~ 제1부하네스 엔지니어링의 계보5개 학파와 정의의 차이이후의 수렴과 표준화그리고 실증4페이지 — 하네스 엔지니어링이란?OVERVIEW에이전트가 같은 실패를 반복하지 않도록 모델 바깥쪽의 ‘환경’을 설계하는 것AGENT = MODEL + HARNESS지시 파일, 도구, 검증, 가드레일, 루프 등모델 이외의 모든 것이 하네스입니다.흐름은 다음과 같습니다.Prompt Engineering (2022~)→ Context Engineering (2024~)→ Harness Engineering (2026~)2026년 2월 5일Mitchell H..

MiniMax H3는 현재 최고 수준의 오픈 웨이트 영상 생성 AI 가운데 하나로, 상용 서비스인 Seedance 2.5와 비교될 정도의 품질을 보여준다.필자는 MiniMax H3의 웨이트를 내려받은 뒤 약 41일 동안 다양한 최적화 기법을 적용했고, RTX 5090 한 대에서 5초짜리 영상의 생성 시간을 다음과 같이 줄였다.193.5초 → 31.6초약 6.12배 고속화다.핵심 결론가장 중요한 결과부터 정리하면 다음과 같다.5초 영상 생성: 193.5초 → 31.6초전체 속도 향상: 6.12배Step 감소용 LoRA만으로: 4.39배INT8 Attention + Sparse Attention으로 추가: 약 1.4배5초 영상 30개로 만드는 MV 기준:기존 약 1시간 37분최적화 후 약 16분흥미로운 점은..

GitHub - LibreTranslate/LibreTranslate: Free and Open Source Machine Translation API. Self-hosted, offline capable and easy to sFree and Open Source Machine Translation API. Self-hosted, offline capable and easy to setup. - LibreTranslate/LibreTranslategithub.com우리는 번역이 필요할 때 자연스럽게 구글 번역이나 파파고, DeepL을 떠올린다.문장을 입력하면 몇 초 안에 번역 결과가 나온다.너무 자연스러운 경험이라 그 뒤에서 어떤 일이 벌어지는지는 크게 신경 쓰지 않는다.하지만 한 가지 질문을 해볼 수..

Jev가 잘하는 문제와 못하는 문제를 실험으로 살펴봤다요즘 AI 에이전트를 만들다 보면 대부분 이런 구조를 사용한다.사용자의 요청을 LLM에게 전달하고,“지금 무엇을 해야 하지?”라고 묻는다.그리고 LLM은 긴 문장으로 답한다.문제는 여기서 시작된다.우리가 원하는 것은 긴 설명이 아니라,“실행해도 되는가?”“어떤 도구를 사용해야 하는가?”“위험도는 어느 정도인가?”“다음 행동은 무엇인가?”같은 작은 판단인 경우가 훨씬 많다.그런데 이런 판단 하나를 위해 매번 거대한 생성형 모델을 호출해야 할까?이 질문에서 흥미로운 접근이 하나 나온다.바로 Jev다.Jev는 ‘대답하는 AI’보다 ‘판단하는 AI’에 가깝다Jev는 TypeSafe AI의 System One 계열 모델로 소개되고 있다.일반적인 LLM처럼 자유..

확인일: 2026-09-24 · 주소: http://127.0.0.1:8087/이 문서는 현재 설치된 yue2.cpp 내장 Web UI를 설명합니다. 폴더 이름은 YuE2-Groove이지만 GROOVE의 Python UI나 VoiceStudio 화면은 아닙니다. 화면의 접힌 설정, 저장 대화상자, 생성 결과 메뉴까지 포함합니다.화면 버전 표시: 27e48f9 (2026-09-15)실행 서버 /props 버전: e8b39f7 (2026-09-18) — 화면과 서버의 버전 표기가 다릅니다.모델: YuE2-3B-Q8_0.gguf + YuE2-Vae-F32.gguf오디오 출력: 48 kHz 스테레오아래 기본값은 현재 서버가 반환하는 값입니다. 추천값은 별도로 표시하며, 모든 곡에서 품질이나 12GB 이하 사용량..

구조는 이렇게 보면 가장 정확합니다.게임 상태 → Jev → 구조화된 선택 → 게임 코드가 실제 레벨 생성예를 들어 러너 게임에서 현재 상태를 Jev에 보냅니다.플레이어 위치속도현재 점프 중인지대시 사용 가능 여부현재 주변 지형최근 생성된 지형실제 글에서도 x, y, vx, vy, grounded, dash_ready 같은 게임 상태를 Jev에 전달합니다. (Sprite Fusion)그리고 중요한 부분은 Jev에게 자유롭게 "다음 맵 만들어줘"라고 시키지 않는다는 것입니다.개발자가 먼저 선택 가능한 범위를 정해놓습니다.발판 종류- Solid roof- One-way ledge폭- 2칸- 3칸- 5칸간격- 0칸- 1칸- 2칸높이- Row 4~9Jev는 여기서 다음 지형에 적합한 조합을 선택합니다. 한 번의..

AI가 코드를 쓰는 대신 UI를 조립하기 시작했다“매출 현황을 보여주는 대시보드를 만들어줘.”지금까지 AI에게 이렇게 요청하면 보통 이런 일이 벌어졌다.AI가 React 코드를 작성한다.컴포넌트를 만든다.CSS를 붙인다.차트 라이브러리를 고른다.상태 관리 코드를 만들고 버튼 이벤트도 연결한다.그리고 우리는 그 코드가 실제로 실행되기를 기도한다.컴파일 오류가 나기도 하고, 이미 회사에서 사용 중인 디자인 시스템을 무시한 새로운 버튼이 생기기도 한다. 버튼 하나를 수정해 달라고 했는데 AI가 파일 전체를 다시 작성하기도 한다.Vercel Labs의 json-render는 이 문제를 조금 다른 방향에서 바라본다.AI에게 프론트엔드 코드를 작성하게 하지 말고,우리가 허용한 UI 부품으로 화면의 ‘설계도’만 만들..

LLM에게 버튼 하나까지 생각하게 해야 할까?Jev 오픈소스 프로젝트 8개로 살펴본 AI Agent의 다음 구조AI 에이전트를 만들다 보면 이상한 순간을 자주 만나게 된다.파일을 읽고, 검색하고, 브라우저 버튼 하나를 누르고,수백 개의 Skill 중 하나를 고르는 모든 순간에 거대한 LLM을 호출한다.“이 버튼을 누를까, 저 버튼을 누를까?”“이 로그를 남길까 버릴까?”“수백 개의 Skill 중 어떤 것을 사용할까?”사람에게 물어본다면 그리 어려운 문제가 아니다.하지만 AI 시스템에서는 이런 작은 판단에도Claude나 GPT 같은 대형 모델을 호출하는 경우가 많다.결과적으로 에이전트는 느려지고,비용은 증가하며,컨텍스트는 계속 커진다.최근 등장한 Jev는 이 문제를 조금 다른 방향에서 바라본다.“모든 AI..

이 글의 핵심은 Jev를 “JSON 잘 뽑는 빠른 LLM”으로 보면 완전히 잘못 본 것이라는 주장입니다.저자가 1만 회가 넘는 API 호출과 여러 블랙박스 실험을 바탕으로 추정한 Jev의 구조는 대략 이렇습니다.LLM처럼 문장을 생성하는 모델이 아니라, LLM의 내부 표현을 이용해 “결정 확률”을 바로 읽어내는 모델일반 LLM과 비교하면 차이가 선명합니다.일반 LLMJev로 추정되는 방식프롬프트 입력state + 여러 questions 입력토큰을 하나씩 생성질문별 확률을 직접 계산"payments": "91%"라는 문자열 생성payments = 0.91이라는 분포를 readout여러 질문을 차례로 처리하기 쉬움여러 질문을 병렬 처리같은 긴 context를 반복 처리state를 한 번 계산하고 공유conf..

Jev란?Jev는 자연어와 비정형 데이터를 대상으로 빠른 의미 판단(Semantic Decision)을 수행하는 엔진으로 볼 수 있다.일반적인 LLM에게 모든 업무를 맡기는 대신,분류탐지점수화라우팅검색랭킹검증정보 추출처럼 작고 명확한 판단 작업을 Jev에 맡기는 방식이다.핵심 구조는 다음과 같다.Code ↓Jev Semantic Decision ↓Code ↓Jev Semantic Decision ↓Code즉,Control Flow는 코드가 담당하고Semantic Decision은 Jev가 담당한다.1. Classification — 분류입력된 내용을 미리 정의된 카테고리 중 하나로 분류한다.예시사용자 입력:카드를 잃어버렸어요.Jev 결과:{ "intent": "lost_card"}활용 사례고객 문의 분..

https://github.com/plugin87/ux-ui-agent-skillsUX UI 디자인 스킬 설명 및 사용 방법문서 목적이 문서는 현재 Codex 환경에 설치된 plugin87/ux-ui-agent-skills 계열 스킬과 함께 사용할 수 있는 핵심 UX/UI 스킬을 한눈에 이해하고 실제 작업에 적용하기 위한 안내서입니다. 스킬은 디자인 방향을 정하거나, 화면을 설계하고, 코드를 만들고, 접근성과 품질을 검증하는 작업을 역할별로 나누어 줍니다.가장 안정적인 사용 순서는 방향 정의 → 토큰 설계 → 화면·컴포넌트 설계 → 코드 구현 → QA와 검토입니다. 한 번에 모든 스킬을 호출하기보다 현재 작업의 단계에 맞는 스킬만 선택하면 결과가 더 일관되고 검증하기 쉽습니다.스킬을 호출하는 기본 방법C..

요즘 AI를 조금 깊게 쓰기 시작하면 이상한 단어를 계속 만나게 된다.Context Engineering, Harness Engineering, Loop, Memory, Skill, Hook….그리고 최근에는 또 하나가 자주 보인다.Graph Engineering.처음 이 말을 들었을 때는 나도 조금 피곤했다.“또 새로운 개념인가?”그런데 내용을 들여다보면 사실 완전히 새로운 기술은 아니다.우리가 이미 가지고 있는 문서와 지식을AI가 실제로 찾아갈 수 있도록 연결해주는 일에 더 가깝다.그리고 생각보다 이 문제가 꽤 중요하다.AI에게 자료를 줬는데, 왜 계속 엉뚱한 답을 할까예를 들어 이런 상황을 생각해보자.나는 몇 달 동안 AI와 일을 하면서 수많은 자료를 만들었다.브랜드 가이드고객 분석글쓰기 스타일회의..

요즘 개발자끼리 만나면 비슷한 이야기가 나온다.“이제 코드를 직접 짤 일이 별로 없지 않아요?”과장만은 아니다.나 역시 예전이라면 직접 구현했을 코드를 먼저 AI에게 던진다. 코드를 작성하게 하고, 실행 결과를 보고, 이상한 부분을 수정하게 한다. 어느 순간부터 개발에서 내가 보내는 시간은 ‘타이핑’보다 ‘판단’ 쪽으로 이동하고 있다.Anthropic의 Dario Amodei는 2026년 다보스포럼에서 자사 엔지니어 중 일부는 이미 코드를 거의 직접 작성하지 않는다고 말했다.모델이 코드를 만들고, 사람은 그것을 편집하고 주변의 일을 처리한다는 것이다.여기까지만 보면 조금 무섭다.그렇다면 개발자는 결국 필요 없어지는 걸까.그런데 AI 시스템을 조금만 아래쪽까지 내려가 보면 전혀 다른 풍경이 나타난다.모델은..

개발자가 코드를 직접 작성하지 않는 시대가 정말 올까.몇 년 전만 해도 이런 이야기를 하면 꽤 먼 미래의 이야기처럼 들렸다. AI에게 코드를 만들어 달라고 부탁해도 결국 사람이 다시 뜯어고쳐야 했고, 복잡한 프로젝트에서는 별 도움이 되지 않는 경우도 많았다.그런데 분위기가 꽤 빠르게 달라지고 있다.Microsoft CoreAI를 이끄는 Jay Parikh는 최근 Microsoft의 새로운 기술 블로그 Command Line을 소개하면서 흥미로운 이야기를 꺼냈다.요지는 단순하다.AI 때문에 개발 속도가 빨라진 정도가 아니라, 소프트웨어를 만드는 방식 자체가 바뀌고 있다는 것이다.코드를 작성하고, Pull Request를 만들고, 사람이 검토하고, 테스트하고, 배포하는 기존 개발 흐름이 AI 에이전트의 등장..

리드 생성 자동화의 핵심은 이메일을 많이 보내는 것이 아니다영업 자동화라고 하면 대개 이런 장면부터 떠올린다.어딘가에서 이메일 주소를 수천 개 수집하고, AI가 영업 메일을 작성한 뒤 하루에 몇백 통씩 발송한다. 답장이 오면 CRM에 넣는다.기술적으로는 자동화다.그런데 좋은 자동화라고 부르기는 어렵다.최근 X에서 Chris(@everestchris6)가 공개한 리드 생성 자동화 가이드를 읽다가 흥미로웠던 것도 이 부분이었다.그가 설명하는 시스템의 출발점은 ‘어떻게 더 많이 연락할까?’가 아니다.누가 이미 문제를 가지고 있는지 먼저 찾아내는 것.그리고 그 사람이 실제로 사용하는 언어와 행동 데이터를 모은다. 그다음에야 광고나 제안을 만든다.이 순서를 뒤집지 않는 것이 핵심이다.사실 리드 생성은 하나의 데이..

NVIDIA SoL-Pi가 보여주는 ‘모델이 아니라 하네스를 최적화하는 방법’최근 AI 코딩 에이전트를 사용하다 보면 한 가지 재미있는 현상을 볼 수 있다.모델 자체는 상당히 똑똑하다.그런데 일을 오래 시키기 시작하면 토큰 사용량이 빠르게 늘어나고, 응답은 점점 무거워진다.특히 Codex나 Claude Code 같은 코딩 에이전트가 실제 작업을 수행하는 과정을 살펴보면 그 이유를 어느 정도 이해할 수 있다.대략 다음과 같은 루프가 반복된다.사용자 요청 ↓LLM 판단 ↓Tool 호출 ↓실행 결과 ↓LLM 판단 ↓다음 Tool 호출 ↓실행 결과 ↓LLM 판단 ...파일을 읽고, 수정하고, 테스트를 실행하고, 로그를 읽고, 다시 수정한다.이 방식은 에이전트 시스템의 기본적인 동작 ..

더 똑똑한 모델에는 더 짧고 명확한 지시가 필요하다GPT-6 Astra가 등장하면서 프롬프트 엔지니어링의 방향도 조금 달라졌다.이전 모델에서는 개발자가 모델의 행동을 하나하나 명시하는 경우가 많았다.“관련 파일을 모두 읽어라.”“작업이 끝나면 테스트하라.”“스스로 결과를 다시 검토하라.”“문제가 해결될 때까지 계속 작업하라.”하지만 GPT-6 Astra에서는 이런 지시를 무조건 많이 넣는 것이 반드시 좋은 전략은 아니다.OpenAI 공식 문서에서도 Astra가 이전 모델보다 instruction following과 장기 작업 수행 능력이 향상되었으며, 반대로 AGENTS.md, Skill 파일 등 컨텍스트에 포함된 지시의 영향을 더 민감하게 받을 수 있다고 설명한다. 따라서 기존 모델을 위해 쌓아놓은 지..

AI 코딩 도구를 팀에서 사용하기 시작하면 금방 새로운 문제가 생긴다.누군가는 Claude Code를 사용하고, 다른 개발자는 Codex나 Cursor를 사용한다. 개발자마다 사용하는 SKILL.md, 코딩 규칙, MCP 서버, 프롬프트, 개발 지식도 달라진다.결국 AI를 사용하면서 쌓인 경험이 개인의 로컬 환경에만 남는 문제가 발생한다.Tencent가 공개한 TeamAI CLI는 이 문제를 해결하기 위한 오픈소스 프로젝트다.단순한 Skill 동기화 도구라기보다는,팀의 AI 개발 환경을 하나의 Git 저장소를 기준으로 관리하는 AI Agent Harness에 가깝다.현재 TeamAI는 Claude Code, Codex, Cursor, CodeBuddy, WorkBuddy, OpenCode, Qoder 등..

X에서 Michael Guo(@Michaelzsguo) 님 x.com 어제 꽤 흥미로운 MiniMax H3 LoRA 하나를 발견했다.Playtime-AI라는 사용자가 MiniMax H3용 Sydney Sweeney 인물 LoRA를 공개했는데, 파일 크기가 겨우 155MB다. 실제 Hugging Face에 올라온 MM-H3 - Sydney Sweeney.safetensors 파일도 155MB로 확인된다.이 LoRA를 MiniMax H3와 함께 로드하면 별도의 레퍼런스 이미지를 넣지 않고도 프롬프트에 Sydney Sweeney라는 이름을 적어 해당 인물의 외형적 특징을 반영한 영상을 만들 수 있다.여기서 재미있는 질문이 생긴다.한 사람의 얼굴은 어떻게 155MB짜리 파일 안에 들어갈 수 있을까?그리고 왜 수..

Anthropic Commerce Agents에서 읽어낸 프로덕션 AI 에이전트 아키텍처AI 에이전트를 만들기 시작하면 꽤 자연스럽게 이런 구조를 떠올리게 된다.사용자 ↓Router Agent ├─ Search Agent ├─ Recommendation Agent ├─ Order Agent ├─ Customer Support Agent ├─ Payment Agent └─ Analytics Agent업무별로 전문가를 하나씩 두는 것이다.사람 조직을 생각하면 합리적으로 보인다.검색은 검색 전문가에게 맡기고, 결제는 결제 전문가에게 맡기고, 고객지원은 고객지원 전문가에게 맡기면 더 잘하지 않을까?최근 몇 년 동안 많은 AI Agent Framework가 이런 Multi-Agent Architect..

AI 영상 생성은 늘 매력적이었지만, 동시에 꽤 부담스러운 작업이었습니다.프롬프트를 하나 입력하고 몇 분을 기다렸는데 결과가 마음에 들지 않으면 다시 만들어야 합니다. 문제는 재생성할 때마다 시간과 비용이 또 들어간다는 점이었습니다.그래서 자연스럽게 이런 생각을 하게 됩니다.“이번에는 한 번에 제대로 만들어야 한다.”그런데 이 전제가 무너지기 시작했습니다.2026년 9월 3일 fal이 공개한 MiniMax H3 Max Turbo 때문입니다.현재 프로모션 가격 기준으로 768p 5초 영상 한 편을 만드는 비용은 약 8엔. fal이 공개한 자체 측정 결과에서는 5초 영상을 생성하는 데 1.4초가 걸렸습니다. 원문이 비교한 다른 상위 영상 모델들과 비교하면 비용 차이는 수십 배에 이릅니다.5초짜리 영상을 다 ..

Writing DNA Skill 분석AI에게 특정 사람처럼 글을 쓰게 만드는 가장 흔한 방법은 간단합니다.“이 글들을 참고해서 비슷한 스타일로 써줘.”하지만 이 방식은 결과가 상당히 불안정합니다.어떤 때는 말투만 비슷하고, 어떤 때는 문장 구조만 비슷합니다. 글이 길어지면 처음에 잡았던 스타일도 쉽게 무너집니다.writing-dna-skill은 이 문제를 조금 다른 방식으로 접근합니다.원문을 바로 모방시키지 않고 먼저 작가의 글쓰기 방식을 분석해서 ‘Writing DNA’라는 명시적인 규칙 집합으로 만들어 둡니다.그리고 글을 쓸 때마다 이 DNA와 실제 원문을 다시 읽게 합니다. 저장소는 이를 최소 20편 이상의 완성된 글을 기반으로 수행하도록 설계하고 있습니다.1. 한 문장으로 정의하면writing-d..

최근 해외 SNS에서 흥미로운 SEO 방법 하나가 공유되고 있다.방법은 놀랄 만큼 단순하다.경쟁이 적은 키워드를 하나 찾는다.Google Docs에서 문서를 만든다.그 키워드를 중심으로 콘텐츠를 작성한다.문서를 공개하고 SNS에 공유한다.그리고 마지막에는 꽤 자극적인 문장이 붙는다.“Rank on the 1st page of Google.”즉, 별도의 웹사이트나 블로그를 만들지 않고도 Google Docs 문서 하나로 구글 검색 첫 페이지를 노릴 수 있다는 이야기다.처음 보면 정말 ‘SEO 해킹’처럼 들린다.그런데 이 방법을 그대로 믿기보다는 한 단계 다르게 볼 필요가 있다.이 전략의 진짜 가치는 Google Docs로 검색 1위를 만드는 것보다,돈과 시간을 들여 웹사이트 콘텐츠를 만들기 전에 어떤 주제..

AI 코딩 도구의 다음 단계는 단순히 코드를 대신 작성하는 것이 아닐 수 있다.Cursor, Claude Code, Codex 같은 코딩 에이전트가 등장하면서 개발자는 이미 상당한 양의 구현 작업을 AI에게 맡길 수 있게 됐다. 하지만 새로운 문제가 생겼다.AI 에이전트가 늘어날수록 사람이 다시 에이전트를 관리해야 한다.어떤 에이전트가 무엇을 하고 있는지 확인하고, 실패한 테스트를 다시 실행시키고, 결과물을 검토하고, 다음 지시를 내려야 한다. 동시에 여러 에이전트를 실행하기 시작하면 개발자는 오히려 새로운 형태의 관리 업무에 빠질 수 있다.Lingxi Li가 공개한 Grok Bot 활용 방식은 이 문제에 대해 흥미로운 방향을 보여준다.핵심은 단순하다.사람이 코딩 에이전트를 직접 관리하지 않고, 또 다른..

intent.md에서 시작해 테스트·배포·운영까지 이어지는 ‘AI-Native SDLC’의 정체최근 AI 코딩 도구를 사용하는 개발자라면 묘한 경험을 하게 된다.몇 시간 걸리던 코드를 Claude Code나 다른 코딩 에이전트가 몇 분 만에 작성한다. 기능 하나를 구현하는 시간은 크게 줄었다. 그런데 프로젝트 전체가 그만큼 빨라졌느냐고 물으면 이야기가 달라진다.요구사항을 정리해야 한다. 설계를 검토해야 한다. 테스트해야 한다. Pull Request를 리뷰해야 한다. 보안 정책도 확인해야 한다. 배포 승인도 받아야 한다.코드는 빨라졌는데 코드 주변의 프로세스는 여전히 인간의 속도로 움직인다.Anthropic은 바로 이 지점을 문제로 삼았다.2026년 8월 21일 Anthropic은 Louis Claxto..

AI 코딩 도구가 빠르게 발전하면서 소프트웨어 개발 방식도 크게 달라지고 있다.Cursor, Claude Code, Codex, Gemini CLI 같은 도구를 사용하면 이제 몇 줄의 요구사항만으로 상당한 양의 코드를 만들 수 있다. 간단한 기능이라면 몇 분 만에 화면과 API까지 완성되는 경우도 있다.하지만 AI 코딩을 오래 사용하다 보면 곧 다른 문제가 보이기 시작한다.코드를 만드는 속도보다, 그 코드가 실제로 제대로 동작하는지 확인하는 일이 더 큰 병목이 된다.AI가 코드를 작성한 뒤 사람이 앱을 실행하고, 버튼을 눌러보고, 에러 로그를 확인하고, 다시 AI에게 수정 요청을 보내는 구조라면 개발 속도가 아무리 빨라져도 검증 단계에는 여전히 사람이 묶여 있다.이 문제를 해결하려는 흥미로운 접근법이 최..